突发公共卫生事件中中国网民关注度分析

陈璟浩 陈美合 曾桢

摘  要：[目的/意義]利用新冠疫情网络舆情数据来研究突发公共卫生事件中中国网民关注度，有助于提升疫情期间政府信息供给效率、满足公众需求和提供社会支持等。[研究设计/方法]通过新浪舆情大数据平台获取研究数据，包括：疫情流行高峰期间全网舆情数据、每日转发排名前100名热门微博、每日新增病例数据等。采用描述性统计、列联表分析、回归分析等方法，研究突发公共卫生事件中网民关注度变化趋势及影响因素。[结论/发现]疫情爆发初期，媒体大规模报道造成大量网民对事件关注;随着疫情严重，新增病例与网民关注出现同频共振;媒体报道初期，网民关注度集中趋势高;防疫举措、鼓励加油、捐献赠送、倡议建议、赞誉肯定5大关注主题，贯穿疫情流行高峰;主流媒体发布微博受关注最多，不同账户类型情感倾向有显著差异;网民总体关注度受新增病例和变异系数影响;每日热门舆情关注度，受新增病例、变异系数、舆情总量和戏剧性分值影响;单条微博受关注程度与当日相关话题总量和微博粉丝数有一定关系。[创新/价值]本文系统分析了突发公共卫生事件中网民关注度变化趋势和影响因素，为政府决策提供支持。

关键词：新冠疫情;突发公共卫生事件;网络舆情;网民关注度;影响因素

DOI：10.3969/j.issn.1008-0821.2020.10.002

〔中图分类号〕G203  〔文献标识码〕A  〔文章编号〕1008-0821（2020）10-0011-11

Analysis on the Attention of Chinese Netizens in Public Health Emergencies

——Based on COVID-19 Network Public Opinion Data

Chen Jinghao1，2  Chen Meihe1  Zeng Zhen2，3

（1.School of Public Policy and Management，Guangxi University，Nanning 530004，China;

2.Big Data Institute，Wuhan University，Wuhan 430072，China;

3.School of Information Management，Guizhou University of Finance and Economics，Guiyang 550000，China）

Abstract：[Purpose/Significance]Using the network public opinion data of COVID-19，this study aimed to access the attention of Chinese netizens in public health emergencies.Research results can help improve the efficiency of government information supply during the epidemic，meet public needs，and provide social support.[Design/Methodology]From Sina big data platform，obtained Research data including public opinion data，top 100 popular Weibo，new case data etc.Using descriptive statistics，crosstabs analysis，regression analysis and other methods to study the changing trends and influencing factors of netizens attention in public health emergencies.[Findings/Conclusion]In the early stage of the outbreak，large-scale media reports caused a large number of netizens to pay attention to the incident;as the epidemic was serious，new cases and the netizens  concerns appeared at the same frequency resonance;in the early days of media reports，the concentration of netizens attention was high;The five major themes of epidemic prevention measures，encouragement，donation，initiative，and praise throughout the epidemic;Netizens most concerned about the mainstream medias weibo，and there were significant differences in the emotional tendencies of different weibo account types;The overall attention of netizens was affected by new cases and coefficients of variation;The daily popularity of public opinion was affected by new cases，coefficient of variation，total public opinion and dramatic scores;The degree of attention of a single Weibo had a certain relationship with the total number of related topics on that day and the number of account fans.[Originality/Value]This article systematically analyzed the changing trends and influencing factors of netizens attention during public health emergencies.

Key words：COVID-19;public health emergencies;public opinion;attention of chinese netizens;influence factors

公众关注度是一种稀缺资源，其反应了在一定时间、一定资源范围内公众的信息偏好和注意力分配[1]。突发公共卫生事件网民关注度是指在突发公共卫生事件期间网民对互联网信息的偏好和注意力，其在一定程度上反应了网民对突发公共卫生事件议题的关注程度、信息需求和特定意见。对其进行分析，有助于提升疫情期间政府信息供给效率、满足公众需求和提供社会支持等[2]。传统对公众关注度的研究主要采用抽样问卷调查，这种方式成本高、耗时长、效率低[3]，难以满足突发公共卫生事件中数据增长迅猛、议题变化快、持续时间短的现实要求。随着互联网的发展和普及，利用大数据监测平台采集和分析网民数字足迹成为可能，这也为短时间内有效测量网民关注度提供了可行路径。

2020年1月下旬以来，新冠肺炎疫情在武汉大规模爆发，并很快蔓延至全国。为了有效控制疫情，切断病毒传播途径，2020年1月23日武汉政府关闭了离汉通道，并对武汉及其周边城市采取隔离措施。25日，除西藏外，我国31个省、自治区、直辖市启动了突发公共卫生事件1级响应，北京时间31日，世界卫生组织将新冠疫情认定为国际公共卫生紧急事件（PHEIC）。2月6日，中国境内确诊新冠病例超过3万人，我国抗疫工作进入攻坚期，3月4日全国21省市下调应急响应级别，10日习近平主席抵达武汉考查防疫工作，12日国家卫健委表示我国疫情流行高峰已过。在此期间，我国网民在新浪微博平台上发布和转发了超过2亿条与疫情相关的博文，这为探索突发公共卫生事件中中国网民关注度提供了很好的机会和资料。

鉴于此，本文利用新浪大数据舆情监测平台对突发公共卫生事件中网民关注度进行测量，试图考查突发公共卫生事件情境下，网民关注度变化趋势、特点及影响因素等内容。为掌握突发公共卫生事件中网民信息需求和关注焦点提供理论支撑，为提升政府舆论引导能力、公众沟通水平和公共服务效果提供决策支持。

1  相关研究

当前，对公众关注度的分析主要分为基于供给（Supply-based）和基于需求（Demand-based）两类，基于供给主要是指网民主动发布在微博、Facebook、博客等社交媒体上的数据，基于需求则是人们在网络中的搜索行为数据[4]。

基于供给的公众关注度分析主要研究的内容有：①公众关注度与公众在社交媒体上发布的信息数量之间的关系，如：Neuman W R等就利用大数据技术分析了2012年29个政治议题的公众关注度，发现传統媒体对议题的报道会增加社交媒体对议题的讨论[5];Househ M分析了埃博拉疫情期间Twitter数量与Google新闻数量之间的关系，发现两者高度相关[6];②不同类型机构发布信息对公众关注度的影响，如：Fung I C等就研究了中国政府和世卫组织在微博上发布的H7N9和MERS-CoV信息，发现公众对中国政府发布的信息关注度更高，而世卫组织关注度相对较低[7];③公众关注度与病例数量之间的关系，如：Signorini A等就研究了H1N1流行期间Twitter数与病例数之间的关系，发现两者之间正相关[8];Mollema L等研究了社交媒体、在线新闻与麻疹病例数的关系，发现在线新闻数与社交媒体数的相关性比与麻疹病例数的相关性更强[9];④公众关注主题与疫情发展的变化特征研究，如：An L等就研究了公众在埃博拉、塞卡、中东呼吸综合征流行期间，关注议题的变化趋势和特征[10];⑤不同媒体平台与公众关注度之间的关系，如：Yla Tausczika等研究了H1N1流感爆发期间公众对报纸、博客、维基百科关注度之间的关系，发现公众对疫情的关注首先表现在维基百科的搜索行为，然后是博客，最后才是报纸文章[11]。

基于需求的公众关注度分析主要是运用网络搜索、浏览记录等数据来对公众关注度予以测度，如：Hou Z等就收集了新冠肺炎爆发期间新浪微博热搜、百度指数、阿里电商指数，并对其进行分析，发现在中央媒体报道前公众对疫情的关注很低，当政府正式对外宣布疫情后，公众反应迅速，并出现恐慌性购买、谣言泛滥等现象[12];Ishii A等分析了用户搜索行为的季节性偏差，发现用户搜索主题词随着季节变化而变化[13];郑路等利用大数据挖掘方法，分析了用户新闻关注主题与影响因素，发现不同地区、不同阶层用户的新闻关注主题有显著差异[14];孟天广等采集了2011-2017年26个政策议题的百度搜索数据，探索公众搜索行为与政策关注度，发现社会议题存在地区差异性，与各地区人口、消费、经济等因素有关[15]。

综上，利用大数据监测系统来分析研究公众关注度已成为当前国内外研究趋势。同时，为了应对突发公共卫生事件情境下，短时间内大量议题涌现，频繁更替的情况，本文拟采用基于供给的方式对网民关注度进行研究。这主要出于两方面考虑：一方面，在突发事件中，每天议题迅速变化，衍生舆情此起彼伏，靠单一关键词追踪百度指数变化极易出现漏检，而人工构建关键词集工作量巨大，效果也难以保证;另一方面，在保证数据覆盖全面、准确的情况下，采用基于供给的方式来研究网民关注度，可探索维度更多，且对关注趋势变化感知更敏感。基于此，本文将从网民关注度总体趋势、指标变化趋势、主题变化趋势等方面来探索突发公共卫生事件中中国网民的关注度规律。

2  数据与方法

21  数据来源

本文使用新浪舆情大数据平台的微博数据作为测量网民关注度的主要数据来源，该平台拥有新浪微博全量数据库，每天存储新浪微博数据超过6 000万条，可获得用户账号类型、微博转发量、微博发文时间、博主所在区域等信息。本研究在该系统中输入：肺炎、疫情、病毒等关键词，检索时间范围在2020年1月20日至2020年3月12日共53天所有有关新冠疫情微博，数据达230 139 482条，在此基础上对每天微博发文量进行记录，并将转载量最多的前100条热门微博数据进行下载，共计5 300条。对下载的热门微博数据进行清洗，去除机器自动转载博文、广告博文，最终建立了一个时间跨度53天，包含4 968条新冠疫情热门微博数据集，该数据集包含热门微博内容、博主信息、博文转载量、博主账号类型、微博情感倾向等属性，同时，为后续考察关注度影响因素，课题组还向数据集中添加了博主粉丝数、微博内容特征等属性数据。此外，为考察网民关注度的宏观影响因素，本文还收集了2020年1月20日至2020年3月12日期间国家卫健委发布的病例数据，包括：新增确诊、新增疑似、新增治愈和新增死亡数据，共53条。

33  热门舆情关注主题变化趋势分析

前述基本面分析有助于把握我国网民关注度总体变化趋势，但微观探索不足，难以指导具体实践。为此，本文进一步探索热门舆情关注主题变化趋势，帮助管理部门掌握疫情期间网民对各类信息的關注程度，具体需求，了解不同阶段话题分布特点。

依据22节划分的39个热门微博话题，做疫情流行高峰期间热门微博主题分布图，如图4。可见，在疫情发展的不同阶段，网民对热门主题的关注也呈现出不同特点。

在疫情爆发前期（2020年1月20至2020年2月5日），由于信息不对称，网民更关注疫情动态、病毒来源、防疫举措、科普答疑及类似案例（参考借鉴），同时由于疫情给公众的工作、生活带来诸多不便，网民开始关注政府失职、网络问政、医护请求支援及抗疫科研攻关成果等话题。另外，在强大的媒体宣传攻势下，网民转发了许多有关防疫的倡议建议以及对医护的鼓励支持，1月24日后，捐献赠送转发在网络中大量涌现。

疫情爆发中期（2020年2月6日至2020年2月23日），我国开始进入抗疫攻坚阶段，防疫次生问题开始涌现，如：少数病人得不到救治开始在线上求助、一些企业出现经营困境、知名人士因病去世、医护警察因公殉职等。为满足公民诉求，一些组织和机构的支持援助举措，如：开通线上救助通道、线上义诊平台等获得大量关注点赞。与此同时，防疫举措、鼓励加油、捐献赠送、倡议建议及政府失职问题也持续受到关注。此外，2月15日后，随着疫情的全球蔓延，国外疫情开始受到大量关注。

疫情爆发后期（2020年2月24日至2020年3月12日），疫情得到基本控制，我国网民注意力开始分散，其他话题比例明显增多，赞誉肯定成为主流，感恩道谢逐渐增多，国外疫情关注程度持续上升，网民开始期待疫情结束后的生活。

总的来看，在整个疫情流行高峰期间，网民始终关注防疫举措、鼓励加油、捐献赠送、倡议建议、赞誉肯定这5大主题。这一方面是由于媒体宣传范围广、力度大造成的;另一方面，也反映了我国网民在特殊时期的团结精神。

具体各类话题分布比例如表4。

疫情期间，网民最关注哪些媒体发布的信息？这些账户有何特点？他们发布的热门信息占所有热门信息比例的多少？为了回答此问题，本文对采集的热门舆情微博账户数据进行统计分析，如图5所示。疫情期间，网民关注的热点微博信息更多来自国家主流媒体，在发布热门微博最多的前10名账号中，国家主流媒体账号占到了8个，分别为：人民日报、央视新闻、中国新闻网、环球网、人民网、新华视点、环球时报和新京报，其发布的热门信息占到所有热门信息的1677%。可见，在突发公共卫生事件期间，权威媒体具有很强的舆论引导作用，他们发布的内容获得网民关注度最高。

2）热门舆情账户情感分布

疫情期间，不同类型的微博账户发布的热门微博情感倾向如何？是否有显著差异？为考察此问题，本文将热门微博账户分为媒体、大V、个人、政府、企业和机构组织6种类型，分别统计不同类型账户发布的热门微博情感倾向，如图6。采用SPSS23对数据进行双向无序列列联表分析，比较不同账户发布的热门微博情感是否有差异，如表5、表6。从列联表检验结果来看，显著性水平P<0001，即：不同类型微博账户发布的热门微博情感倾向是有差异的。为了比较各账户类型情感倾向的差异，进一步做卡方分割，两两比较，发现：媒体和政府、大V和政府、企业和组织机构发布的热门微博内容情感倾向无显著差异;媒体、大V、个人和企业、组织机构发布的热门微博内容情感倾向有显著差异，企业和组织机构发布的非敏感热门微博更多;媒体和大V、媒体和个人、大V和个人发布的热门微博内容情感倾向有明显差异，大V、个人发布的敏感热门微博比媒体要多，个人发布的敏感热门微博比大V多。出现上述情况，本文推断是由于在疫情期间权威媒体报道方式、手段、视角单一、同质性过高，造成网民信息疲劳，而大V、个人账号的一些负面爆料、情绪宣泄在一定程度上填补了权威媒体空白，引发网民共鸣，而获得较多关注。

4  影响因素分析

为进一步探索突发公共卫生事件中影响中国网民关注度的因素，本节将从宏观、中观、微观3个层面展开分析。具体包括：网民总体关注度影响因素分析、每日热门舆情关注度影响因素分析和单条热门微博关注度影响因素分析。

41  网民总体关注度影响因素分析

1）模型与变量

依据31节分析结论，全网网民对疫情的关注度与新增确诊、新增疑似、新增治愈病例数有关。同时，32节结论显示变异系数大的天数，往往伴随着引人注目的焦点事件发生，这在某种程度上也会提升当天网民的总体关注度。因此，根据上述推断，建立相应影响因素模型（3）如下：

Ai=β0+β1Di+β2Si+β3Ci+β4Vi+ε（3）

式中Ai为i天网民对疫情关注度，β0代表常数项，Di代表i天新增确诊，Si代表i天新增疑似，Ci代表i天新增治愈，Vi代表i天变异系数，ε代表随机扰动项。为避免极值对模型结果造成影响，对关注度Ai、新增确诊Di、新增疑似Si、新增治愈Ci和变异系数Vi取对数，模型转化为：

lnAi=β0+β1lnDi+β2lnSi+β3lnCi+β4lnVi+ε（4）

2）结果分析

将式（4）带入SPSS23进行基本多元线性回归，共线性诊断发现新增确诊和新增疑似两变量存在严重的共线性，为解决此问题，采用岭回归分析将式（4）重新带入，当回归系数K=023时，得到如下结果，如表7。模型（4）中新增治愈未通过显著性检验，其他解释变量均通过显著性检验;模型的F统计量为2636，通过显著性检验;R2=0687及调整后的R2=0661，说明模型拟合度较好。

模型结果显示，新增确诊、新增疑似和当天变异系数是影响网民对疫情关注的主要因素，且这3个解释变量与总体关注度正相关。

42  每日热门舆情关注度影响因素分析

1）模型与变量

通过观察發现，每日转发量前100的热门微博其转载总量与当日全网疫情舆情总量相关，即：当日全网舆情总量多，则排名前100的热门微博转载总量也多;而且，随着微博内容戏剧性元素增多，即：1条微博描述的内容包括名人、政府部门、偶发事件等敏感因素，则其戏剧性成分增加关注人数也会相应增加，如：李文亮医生过世事件。为此，本文为模型设置了戏剧性解释变量。该变量的计算方法为：依据戏剧元素在热门微博中出现的频次，人工筛选出10个戏剧性特征，包括名人、政府、医生、病人、学生、宠物、公益组织、慈善组织、国际组织、偶发事件，对热门微博内容进行遍历，若内容包含其中1个特征，则戏剧性分值为1，两个特征分值为2等。最终每日热门舆情关注度影响因素模型（5）如下：

Hi=β0+β1Di+β2Si+β3Ci+β4Vi+β5Ai+β6Fi+ε（5）

式中β0、Di、Si、Ci、Vi、Ai、ε意义与式（3）相同，Hi为第i天排名前100的热门微博关注度，Fi为第i天所有排名前100的热门微博戏剧性分值总和。为避免极值对模型结果造成影响，对所有解释变量取对数，转化为：

lnHi=β0+β1lnDi+β2lnSi+β3lnCi+β4lnVi+β5lnAi+β6lnFi+ε（6）

2）结果分析

将式（6）带入SPSS23进行基本多元线性回归，共线性诊断发现新增确诊和新增疑似两变量存在严重的共线性，为解决此问题，采用岭回归分析将式（6）重新带入，当回归系数K=028时，得到如下结果，如表8。模型（6）中新增确诊未通过显著性检验，其他解释变量均通过显著性检验;模型的F统计量为7513，通过显著性检验;R2=0907及调整后的R2=0895，说明模型拟合度较好。

模型结果显示，新增疑似、新增治愈、变异系数、舆情总量和戏剧性分值是影响网民对当天热门疫情微博关注的主要因素。其中，舆情总量、变异系数、戏剧性分值和新增疑似与热门舆情关注度正相关，新增治愈则为负相关。

43  单条热门微博关注度影响因素分析

1）模型与变量

最后需要考察的是单条热门微博所获关注度的影响因素，根据观察发现单条热门微博所获关注度即受当天全网相关舆情总量的影响，也受发帖人粉丝数和内容戏剧性的影响。为此，建立单条热门微博关注度影响因素模型（7）如下：

W=β0+β1Ai+β2F+β3FS+ε（7）

式中β0、Ai、ε意义与式（3）相同，W代表单条热门微博关注度，F代表热门微博戏剧性分值，FS代表热门微博博主粉丝数。为避免极值对模型结果造成影响，对所有解释变量取对数，转化为：

lnW=β0+β1lnAi+β2lnF+β3lnFS+ε（8）

2）结果分析

将式（8）带入SPSS23进行基本多元线性回归，得到如下结果，如表9。模型（8）中戏剧性分值未通过显著性检验，其他解释变量均通过显著性检验;模型的F统计量为49419，通过显著性检验;R2=0230及调整后的R2=0230，说明模型拟合度较弱，存在其他因素对单条微博关注度的影响。

模型结果显示，舆情总量和微博账号粉丝数是影响网民对单条微博关注的主要因素，这两个变量

与单条微博关注度正相关。戏剧性因素未能通过显著性检验，一种可能的解释是即便内容再好，若没有合适的传播节点，不顺应大环境也很难获得关注。

5  结论与建议

本文详尽分析了2020年1月20日至2020年3月13日新冠肺炎疫情在中国流行高峰期间，网民关注变化趋势及相关影响因素。得出以下结论：①在疫情爆发初期，网民关注度并非完全由确诊病例、疑似病例数上升决定，更多是由媒体大规模报道造成的;②随着疫情变得严重，新增确诊、新增疑似病例与网民关注度出现同频共振，新增死亡与网民关注度不显著;③每日网民关注度呈现出一定的集中趋势，聚焦于少数事件，特别在媒体大规模报道初期，集中度最高;④防疫举措、鼓励加油、捐献赠送、倡议建议、赞誉肯定5大主题始终贯穿于疫情流行高峰，疫情发展不同阶段，网民关注主题与实际抗疫情况叠加变化;⑤疫情期间，主流媒体发布的微博受关注最多，不同账户类型发布内容情感倾向有显著差异;⑥网民对疫情的总体关注度，主要受新增确诊、新增疑似和变异系数影响;⑦每日热门舆情关注度，主要受新增疑似、新增治愈、变异系数、舆情总量和戏剧性分值影响;⑧单条微博获得关注与当日相关话题舆情总量和微博账号粉丝数有一定关系。

依据上述分析结果，对于疫情期间政府信息供给、引导舆情、提升公共服务水平给出如下建议：

1）确保疫情期间相关信息公开透明，对重大防疫举措必须做好相应宣传解释

信息公开透明是减少信息不对称和缓解公众恐慌的重要举措。在疫情爆发初期，应积极向公众进行科普答疑、宣传解释，让公众对疫情具备基本认知、对政府举措产生认同理解。这样有助于减少突发事件中由于信息不对称造成的恐慌情绪，缓解因疫情防控需要造成公民惯性生活节奏被打乱产生的心理和身体不适。

2）积极利用主流媒体对防疫工作进行播报宣传，同时注重报道内容的多样化

在防疫工作的宣传和报道过程中，主流媒体发布内容具有权威性和专业性特征，其发布内容获网民关注程度也较高。但在宣传部门统一管控下，主流媒体易出现报道视角、方式、手段单一，内容缺乏新意，机械式口号宣传等问题。为此，应鼓励主流媒体在不违反宣传管控要求的前提下，提升报道内容的多样性、丰富性和思辨性。

3）积极把握网民关注度变化规律，提升舆论引导及信息供给效率

突发公共卫生事件要得到快速、妥善处理，离不开广大公众的积极配合。但由于部分公众个人保护意识不强，重视不够，便成为防疫工作的薄弱环节。因此，应积极把握网民关注规律，邀请知名专家在权威媒体上向公众宣传防疫知識，发动广大明星、知名人士在抗疫攻坚阶段不断给大家加油打气、倡议建议、捐献赠送，提升全体民众的凝聚力。

参考文献

[1]Ripberger J T.Capturing Curiosity：Using Internet Search Trends to Measure Public Attentiveness[J].Policy Studies Journal，2011，39（2）：239-259.

[2]Tang L，Bie B，Park S E，et al.Social Media and Outbreaks of Emerging Infectious Diseases：A Systematic Review of Literature[J].American Journal of Infection Control，2018.

[3]Henry G T，Gordon C S.Tracking Issue Attention：Specifying the Dynamics of the Public Agenda[J].Public Opinion Quarterly，（2）：2.

[4]Ginsberg J.Detecting Influenza Epidemics Using Search Engine Query Data[J].Nature，2009，457.

[5]Neuman W R，Guggenheim L，Jang S M，et al.The Dynamics of Public Attention：Agenda-Setting Theory Meets Big Data[J].Journal of Communication，2014，64（2）：193-214.

[6]Househ M.Communicating Ebola Through Social Media and Electronic News Media Outlets：A Cross-sectional Study[J].Health Informatics Journal，2015，22（3）.

[7]Fung I C，Fu K，Ying Y，et al.Chinese Social Media Reaction to the MERS-CoV and Avian Influenza A（H7N9）Outbreaks.Infect Dis Poverty 2，31（2013）.https：//doi.org/10.1186/2049-9957-2-31.

[8]Signorini A，Segre A M，Polgreen P M.The Use of Twitter to Track Levels of Disease Activity and Public Concern in the US During the Influenza A H1N1 Pandemic[J].PloS One，2011，6（5）.

[9]Mollema L，Harmsen I A，Broekhuizen E，et al.Disease Detection or Public Opinion Reflection？Content Analysis of Tweets，Other Social Media，and Online Newspapers During the Measles Outbreak in the Netherlands in 2013[J].Journal of Medical Internet Research，2015，17（5）：e128.

[10]An L，Yu C，Lin X，et al.Topical Evolution Patterns and Temporal Trends of Microblogs on Public Health Emergencies：An Exploratory Study of Ebola on Twitter and Weibo[J].Online Information Review，2018，42（6）：821-846.

[11]Yla Tausczika，Kate Faasseb，James W Pennebakera，et al.Public Anxiety and Information Seeking Following the H1N1 Outbreak：Blogs，Newspaper Articles，and Wikipedia Visits[J].Health Communication，2012，27（2）：179-185.

[12]Hou Z，Du F，Jiang H，et al.Assessment of Public Attention，Risk Perception，Emotional and Behavioural Responses to the COVID-19 Outbreak：Social Media Surveillance in China[J].Risk Perception，Emotional and Behavioural Responses to the COVID-19 Outbreak：Social Media Surveillance in China（3/6/2020），2020.

[13]Ishii A，Wakabayashi T，Okano N，et al.Analysis of Social Media Content and Search Behavior Related to Seasonal Topics Using the Sociophysics Approach[J].2018.

[14]郑路，吴文兵，葛天任，等.社会关注度的新闻大数据分析——社会、时间与空间的维度[J].浙江学刊，2018，（3）：82-90.

[15]孟天广，赵娟.大数据时代网络搜索行为与公共关注度：基于2011-2017年百度指数的动态分析[J].学海，2019，（3）：41-48.

[16]张文彤，董伟.SPSS统计分析高级教程[M].北京：高等教育出版社，2004：247-248.

（责任编辑：孙国雷）